Kaydettiğim Pocket bağlantılarıyla o3’e beni profillettim

 (noperator.dev)
2 puan yazan GN⁺ 2025-07-08 | 1 yorum | WhatsApp'ta paylaş
  • Pocket kapanmadan önce kaydedilmiş yazıları taşırken, 2018-07-12 ile 2025-06-26 arasında yaklaşık 7 yılda biriken 878 Pocket bağlantısının kişisel profil çıkarımı için veri olabileceğini fark ettim
  • o3’ten, yalnızca kaydedilmiş URL listesini kullanarak yaş, cinsiyet, yaşanılan yer, eğitim düzeyi, meslek, gelir, siyasi eğilim ve aile durumu gibi kişisel özellikleri tahmin etmesini istedim
  • Sonuçta orta 30’lar ile erken 40’lar, coastal VA’da yaşayan, kıdemli/staff seviyesinde bir yazılım mühendisi, evli ve birden fazla küçük çocuk sahibi biri gibi bir profil çıktı; yaş, konum ve aile büyüklüğü oldukça isabetliydi
  • CSV dosyasını ek olarak yüklemek yerine doğrudan prompt gövdesine yapıştırdığımda o3’ün yanıtı daha ikna ediciydi; dosya ekleme yönteminde Python ile örneklem analizine aşırı saplanma eğilimi vardı
  • Basit “beğeni”ler ya da kaydedilmiş bağlantı izleri bile anlamlı çıkarımlar için yeterli olabiliyor; bu tür analiz yeteneğinin artık Google veya Facebook gibi reklam şirketlerinin ötesinde neredeyse herkesin erişimine açık olduğu daha net hissediliyor

Pocket kayıt listesi deney verisine dönüştü

  • Pocket’ın kapanacak olması nedeniyle kayıtlı yazıları taşırken, kayıtlı bağlantı listesinin kişisel tercih verisi olarak kullanılabilecek kadar büyük olduğunu fark ettim
  • Pocket dışa aktarma CSV’sine xsv ile hızlıca baktım
    • Sütunlar title, url, time_added, tags, status
    • Örnek kayıtlardan biri The Uncertain Future of American Libraries başlıklı yazıydı
    • Toplam kayıt sayısı 878
    • Kayıt dönemi 2018-07-12 ile 2025-06-26 arası
  • Simon Willison’ın o3 ile coğrafi konum tahmini deneyini hatırlayıp, sadece URL listesiyle benim hakkımda neler öğrenilebileceğine bakmaya karar verdim

o3’e verilen profilleme talebi

  • Geçici bir ChatGPT konuşmasında o3 kullandım ve ChatGPT’nin memory özelliğini kullanmadım
  • Pocket’a kaydettiğim yazı listesini temel alarak beni profillemesini istedim
  • Çıkarım boyutlarını kişisel bilgilerden yaşam alışkanlıklarına kadar geniş tuttum
    • Yaş, cinsiyet, coğrafi konum
    • Eğitim düzeyi, sektör/iş alanı, kıdem
    • Gelir aralığı, siyasi eğilim, risk alma eğilimi
    • Öğrenme biçimi, bilgi diyeti
    • İlişki durumu, ebeveyn olup olmadığı ve çocukların yaşı
    • Sağlık ilgi alanları, başlıca yaşam geçişleri, ilgi alanlarında mevsimsel örüntüler

o3’ün oluşturduğu kişisel profil

  • o3, kaydedilen yazıların konusu, kaynağı ve kaydedilme zamanına dayanarak “kesin çıkarım değil ama tutarlı bir anlatı”ya yakın bir en olası portre oluşturdu
  • Temel demografik tahminler şunlardı
    • Yaş: orta 30’lar ile erken 40’lar
    • Cinsiyet: erkek
    • Konum: coastal VA
    • Eğitim: bilgisayar bilimi veya benzer bir alanda BS/MS
    • Meslek: güvenlik ve altyapı konusunda uzmanlaşmış kıdemli/staff seviyesinde yazılım mühendisi
    • Gelir: hane bazında yaklaşık 150 bin ila 220 bin dolar
    • Aile: evli, 3-4 küçük çocuk, bunlardan en az biri toddler
  • Dayanak olarak yazılım, yapay zeka, siber güvenlik ve finans konulu teknik yazılarla birlikte aile yaşamı, homeschooling ve Catholic practice ile ilgili yazıların bir arada bulunması kullanıldı
  • Psikoloji ve ilgi alanları da görece ayrıntılı biçimde tahmin edildi
    • Siyasi eğilim: mali olarak muhafazakâr, sivil özgürlükçü ve toplumsal olarak gelenekçi
    • Risk alma: kariyerde yüksek, finans tarafında orta düzey
    • Öğrenme biçimi: öz-yönelimli, metin odaklı, uzun yazı ve sesli içerik tercih eden
    • Bilgi diyeti: %60 deep-tech, %20 kişisel finans/FIRE, %10 ebeveynlik-ev işleri, %10 inanç-kültür
    • Yaşam akışı: saf bir IC hacker’dan teknik liderlik, aile odaklı yaşam ve FI hedefleyen bir aşamaya geçiş
  • Daha ince ipuçları üzerinden inanç, mahremiyet ve self-hosting, DIY eğilimi, Zone-2 training ve uyku gibi sağlık ilgileri, yazma dürtüsü de tahmin edildi

Doğruluk ve giriş biçimi farkı

  • Sonuçlar oldukça doğruydu ve ilk okuduğumda ürkütücü derecede isabetli geldi
  • Veri kümesinin çoğunun Hacker News yazılarından oluştuğunu düşünmeme rağmen, o3’ün yaş aralığı, konum ve aile büyüklüğü gibi ayrıntıları tutturması özellikle şaşırtıcıydı
  • Bu deney, basit “beğeni”ler ya da kayıt izleriyle bile ne kadar çok şeyin çıkarılabildiğini gösteriyor
  • Giriş biçimine göre sonuç kalitesi değişti
    • CSV verisini prompt gövdesine doğrudan yapıştırdığımda yanıt daha isabetli hissettirdi
    • CSV’yi dosya eki olarak gönderince o3, Python ile örnekleme ve analiz yapmaya fazla saplanma eğilimi gösterdi
    • Bu yöntemde ortaya çıkan son anlatı daha az ikna ediciydi

Kişiselleştirilmiş öneriler ve herkesin erişebildiği analiz gücü

  • Reklam şirketlerinin açıkça ifade edilen ilgi alanlarına bakarak kullanıcıları profillediği zaten bilinen bir varsayım
  • Geçmişte, farklı veri noktalarından anlamlı sonuçlar çıkarma yeteneğinin yalnızca Google veya Facebook gibi şirketlerde varmış gibi hissediliyordu
  • Artık aynı tür teknolojinin neredeyse herkes tarafından açıkça kullanılabiliyor olması daha ilginç değişim gibi görünüyor
  • Bu profili, kişisel içerik öneri sistemi çalıştırmak için kullanmayı planlıyorum
  • Geçiş sürecinde Wallabag'a taşındım ve Inoreader’dan FreshRSS’e de geçtim
    • 2025 itibarıyla self-hosting geçmişe göre çok daha kolay ve bunda Caddy'nin büyük payı olduğunu düşünüyorum
  • CSV incelemesinde xsv kullandım
    • 2 ay önceki duruma göre artık bakım görmüyor gibi görünse de işlevsellik açısından oldukça tamamlanmış hissettiriyor

İlgili okumalar

1 yorum

 
GN⁺ 2025-07-08
Hacker News yorumları

  • Bu yazıyı okuyunca benim de bir Pocket hesap arşivim olduğunu hatırladım; 4.200 öğeyi o3, Gemini 2.5 Pro ve Opus 4'e aynı prompt'la verdim.
    ChatGPT arayüzü, girdinin çok büyük olduğunu söyleyip göndermemi engelledi. Yaklaşık 80 bin token'dı; o3'ün 200 binlik bağlam boyutundan küçük olmasına rağmen böyle oldu.
    Gemini 2.5 Pro kişilik ve ilgi alanları tarafındaki profili iyi tuttursa da yaş aralığı, iş rolü, konum ve ebeveyn olup olmadığım konusundaki tahminleri yanlıştı.
    Opus 4 çok daha etkileyici biçimde isabetliydi; yaşadığım şehir olan Amsterdam'ı, yaş aralığımı ve ilişki durumumu doğru tahmin etti, ancak ebeveynlik konusuna değinmedi.
    İki model de iş rolümü tutturamadı; bunu anlayabiliyorum. Aslında veri bilimciyim, ama yazılım yazmayı sevdiğim için yazılım mühendisliği pratikleri hakkında çok okurum; şirkette bu tür işler yapma fırsatım olmadığı için kişisel projelerde kod yazarım ve bu yüzden sistem tasarımı gibi konuları epey öğrenmek zorunda kaldım. Bu yüzden ikisi de beni yazılım mühendisi olarak gördü.
    Genel olarak eğlenceli bir deneydi; iki modelin de fotoğrafçılığı ana hobim olarak göstermesi dikkat çekiciydi. Ama YouTube izleme geçmişimi de görselerdi, muhtemelen kendilerinden emin biçimde tenis derlerdi. Genelde yazıdan çok video olarak tüketilen konu ve ilgi alanları için YouTube izleme geçmişi ile Pocket arşivini birleştirmek ilginç olurdu; ancak o veriyi elde etmek pek kolay görünmüyor.

    • Google Takeout ile izleme geçmişi dahil tüm YouTube verilerini alabilmek mümkün gibi.
      Bu yazı iyi bir örnek:

      When I downloaded all my YouTube data, I’ve noticed an interesting file included. That file was named watch-history and it contained a list of all the videos I’ve ever watched.
      https://blog.viktomas.com/posts/youtube-usage/
      Avrupalıysanız şirketlerin veri erişim hakkı sağlama yönünde yasal yükümlülüğü var, ancak Google Takeout dünya genelinde çalışıyor gibi görünüyor.

    • Google Takeout'tan geçmişi dışa aktarıp izlediğim tüm YouTube videoları için bunu deneyebildim:
      https://takeout.google.com/settings/takeout/custom/youtube?p...
      Ardından pup ve jq kombinasyonuyla HTML dosyasından video başlıklarını ayrıştırdım:
      cat watch-history.html \
      | pup '.outer-cell .mdl-grid .content-cell:nth-child(2) json{}' \
      | jq -r '.[] .children[0] | select(.tag != "br") | select(.text | startswith("https://www.youtube.com/watch?v=";) | not) | .text' \
      > videos.txt
    • İlgin bu kadar büyükse bunu bir sinyal olarak alıp yazılım mühendisi rolleri için de şansını denemeye değer.
      Şu anki şirkette yaptığın işin ilgili kariyer basamağına geçemeyeceğin anlamına gelmez.
    • Prompt'u yinelemeli iyileştirme piramidi gibi kullanmak gerekir. Ucuz bir modelle ham verinin çoğunu parçalar halinde sıkıştırıp, giderek daha güçlü ve pahalı modelleri daha büyük parça kümelerine uygulayarak istenen özet düzeyine ulaşma yöntemi.
    • İki model de yazılım mühendisi olduğunu düşündüyse, kariyer yolun olmasa bile muhtemelen bir ölçüde doğru olabilir :)

  • Pocket dışa aktarımımdan öğrendiğim en büyük şey, yazıların %99'unun okunmadı durumunda olduğuydu. Bundan benim hakkımda takıntılı link biriktirme dışında ne çıkarılabilir pek emin değilim :D

    • Yıllarca Pocket kullanarak kendime tekrar işe dönebileceğim iznini vermiş oldum.
    • Okunanlarla okunmayanları karşılaştırınca ortaya çıkan tercih ile beyan edilen tercih arasındaki fark görülebilir belki. Bence çoğu insanın okunmamış yığını genellikle daha çok özlemlerini/niyetlerini yansıtır.
      Bu tür veri çoktur muhtemelen; örneğin Amazon öneri grafiği de istek listesi öğelerine ve satın alınan öğelere farklı ağırlık verebilir.
    • Okunmuş olsun ya da olmasın, o bağlantıları kaydetmenin bir nedeni olmuştur.

  • Günümüzde birçok kişinin, şirketlerin verilerimizle ultra hassas içerik sunması gibi, yapay zekayla kendi verilerini analiz etme fikrinde birleştiğini hissediyorum
    Yakın zamanda https://labs.rs/en/browsing-histories/ yazısını okuyup bunu tüm tarama geçmişime uyguladım
    Aynısını ChatGPT/Claude konuşma geçmişlerime de yaptım; en korkutucu olanı ise bir LLM’e Reddit yorum geçmişimi göstermekti
    Temel zorluk, yeterince büyük bir bağlam penceresi ve birden fazla veri kaynağı arasında bağlamı takip edebilmek. Keşfettiğim yöntemlerden biri, kullanıcı profilini izlemek için bilgi grafı kullanmak. Davranış kalıplarını sorgulanabilir bir yapıya sıkıştırabiliyor, ama grafın inşası başlı başına bir hesaplama problemine dönüşüyor
    Son dönemde birlikte çalıştığım yapay zeka startup’larının çoğu eninde sonunda “metin belgesi kümelerinden oluşturulmuş bir vektör veritabanına ve bilgi grafına LLM erişimi vermek” noktasına vardı. Metin belgeleri; faturalar, hukuki belgeler, vergi belgeleri, günlük raporlar, toplantı dökümleri, kod vb. olabilir
    Yapay zeka tabanlı kişisel içerik öneri veya profilleme sistemlerinin ortaya çıkmasını umuyorum. Ekonomik teşvikleri büyük teknoloji şirketlerinin modelinin tersi. Etkileşimi ve reklam gelirini optimize etmek yerine kullanıcı faydasını optimize ediyor
    RSS okuyucu döneminde kürate edilmiş teknoloji ve tasarım içerikleriyle çok karşılaşırdım; bu sayede bu alandaki zevkimi ve bilgimi epey geliştirebildim. Harika ve ilginç insanlarla bağlantı kurmama da yardımcı oldu
    Sevdiğim uygulamalardan biri https://www.dimensional.me/, ama MBTI ve kişilik testi yaklaşımı daha titiz hale getirilebilir. Bir kişilik testi değil de, dijital cihazlarımda tükettiğim, yazdığım ve yaptığım her şeyi sisteme koyduğumu ve hakkımdaki bilgi grafını sürekli güncellediğini hayal edebiliriz

    • RSS döneminin ne kadar faydalı olduğunu fark etmemi sağladı. Çeşitli makale kaynaklarını takip ediyor ve ilgi düzeyime göre kabaca önceliklendiriyordum
      Lisedeyken binlerce yazı okuyarak teknolojinin nasıl çalıştığına dair zihinsel modelleri giderek daha iyi kurabilmem gerçekten çok faydalıydı. Çok şey değişti, ama o zaman oluşturduğum modellerin önemli bir kısmı hâlâ oldukça doğru ve ilgilendiğim yerlere daha derin girmek istediğimde işe yarıyor
    • “Etkileşim ve reklam geliri yerine kullanıcı faydasına göre optimize edilir” deniyor ama gerçekten öyle mi olur, yoksa konforlu bir hapishane içinde kalmaya devam etmemize mi yardım eder?
      Elbette konforlu hapishane, etkileşim hapishanesinden iyidir; ama bazen oradan çıkmak gerekebilir
      RSS okuyucu dönemindeki kürasyon, her zaman hemfikir olmadığımız insanlar tarafından yapılmıyor muydu?

  • HN hesaplarını profilleyip dalga geçen benzer bir araç yaptım: https://hn-wrapped.kadoa.com/
    Komik ve bazen de ürkütücü
    Düzenleme: kullanıcı adı büyük/küçük harfe duyarlı

    • Kullanıcı yorumlarının yalnızca ilk sayfasını örneklemekten daha fazlasına bakarsa çok daha komik ya da içgörülü olabilir
      Yine de oldukça isabetliydi:
      Predictions
      Personal Projects
      After a deep dive into archaic data storage, you'll finally release 'Magnetic Tape Master 3000' – a web-based app that simulates data retrieval from a reel-to-reel, complete with authentic 'whirring' sound effects. It'll be a niche hit with historical computing enthusiasts and anyone who misses the good old days of physical media.
    • “Yorumlarınızda ayrıntılı teknik açıklamalar ya da düzeltmeler sık sık yer alıyor; bu da sizi ya teknolojiye derinden gömülmüş biri ya da sadece odadaki en zeki kişi olmayı seven biri gibi gösteriyor. Dürüst olalım, muhtemelen ikisi de.”
      Tam anlamıyla acımasız
    • Fena yakalanmış gibi hissettiriyor

      Your profile reads like a 'Hacker News Bingo' card: NASA, PhD, Python, 'Ask HN' about cheating, and a strong opinion on Reddit's community. The only thing missing is a post about your custom ergonomic keyboard made from recycled space shuttle parts.

    • Tahmin sonucu:
      “Şimdiye kadar bilinmeyen bir HN upvote kara deliği keşfedeceksiniz. Ekonomik istikrarsızlık üzerine iyi yapılandırılmış ve incelikli tüm yorumların unutuluşa çekildiği, ‘Show HN: Rust ile yaptığım yapılacaklar listesi’ gönderisinin ise 500 puan aldığı yer.”
      Biraz fazla sert ama iyi yapılmış
    • Şirket platformunda kullanıcıları profillerken benzer bir şey kullanıyoruz. Genelde LLM’ler aşırı “nazik” oluyor; kullanıcıyı roast etmesini istediğimizde önemli, ilginç ya da çelişkili bilgiler daha iyi ortaya çıkıyordu
      Üstelik epey komik

  • Son zamanlarda bu tür şeylere gerçekten çok ilgi duyuyorum. Sadece Pocket’a kaydedilmiş yazılar değil, ChatGPT/Gemini/Claude konuşma geçmişlerinin meta analizi de dahil
    Aşırı kişiselleştirilmiş bir RSS özetleme betiği kullanıyorum ve gerçekten benimle ilgili en çok öğe içeren RSS akışlarının, gündelik olarak okuduklarımdan epey farklı olduğunu fark ettim
    Sırada denemek istediğim şey, ilgi alanlarıma ve alaka düzeyime uygun üretken bir dünya modeli oluşturmak. Bu dünya modelinin farklı bölümleri farklı döngülerle güncellenip incelenebilir
    O zaman benim için “haber”, haber nedeniyle o dünya modelinin nasıl değiştiğinin diff’i olur. Ayrıca mevcut dünya modelinin yerel/çevrimdışı bir sürümüne her zaman sahip olabileceğim için gelen kutusu, takvim, mesajlar, tweet’ler vb. şeyleri yerel modelle filtrelemek ya da sıralamakta faydalı olabilir

    • İlginç geliyor. Biraz daha ayrıntılı anlatabilir misin?

  • Bir zamanlar eğlence ve merak için HN profilleri üzerinde böyle bir şey yapan küçük bir betik yazmıştım. Gönderi ve yorum geçmişini kullanarak konum, siyasi eğilim, kariyer, yaş, cinsiyet gibi profilleri çıkarsıyordu
    Asıl motivasyonum, çeşitli yorum başlıklarında şaşırtıcı görüşler görüp bunların nereden gelmiş olabileceğini merak etmemdi. Profillerin ne kadar doğru olduğu hakkında hiçbir fikrim yoktu, ama LLM’in böyle bir şeyi yapabilme yeteneğini görmek ilginç bir deneydi

    • Yakın zamanda biri bunu, makale içeriği ve kullanıcı profiline dayanarak HN ana sayfasına çıkacak yazıları tahmin etmek için kullandı
    • En azından kendi üzerinde çalıştırınca ne kadar doğru olduğunu görebilmek ilginç olurdu
    • Bunu hatırlıyorum. Benim için oldukça isabetliydi ama biraz fazla şekerliydi. Mesela dünyayı kurtaracağımı falan söylüyordu

  • Daha sol eğilimli Katolik bir aile geçmişinden gelen biri olarak, Katolik diye muhafazakâr olduğu sonucuna varması ilginç geldi. ABD’nin kuzeydoğusunda bu tür Katolikler daha yaygın gibi

    • Genel olarak bakınca, Katoliklerin de Protestanların da, mezhep ne olursa olsun, kuzeydoğu ve Batı Yakası’nda daha ilerici; Ortabatı ve Güney’de ise daha muhafazakâr olma olasılığının daha yüksek olduğunu düşünüyorum
      Bu, 2025’te dinin ortalama öneminin ne durumda olduğuna dair bir şey söylüyor
    • Pittsburgh’da doğdum, Katolik olarak büyüdüm ve epey ilericiyim. 90’larda kadın mihrap görevlileri bile vardı; kilisede törenleri yapılan açık eşcinsel üyeler de vardı
      Artık Katolik değilim ama 80’ler ve 90’lardaki o kilise iyi bir kiliseydi
    • Adil olmak gerekirse, aslında şöyle demişti:

      Fiscally conservative / civil-libertarian with traditionalist social leaning
      Ve gerekçeyi de şöyle göstermişti:
      Bogleheads & MMM frugality + Catholic/First Things pieces, EFF privacy, skepticism of Big Tech censorship
      Günümüzde First Things daha çok dinî sosyal muhafazakârlıkla ilgili bir yayın. Birisi Katolikse ve First Things yazıları okuyorsa, “muhafazakâr” tahmini epey güvenli olur
      Yine de yalnızca okuduklarına bakarak birini profillemenin genel olarak hata olabileceğini düşünüyorum. Katılmadığım yazıları da sık sık okurum; bazen fikrimi değiştiririm, değiştirmesem bile asıl argümanın ne olduğunu bilmek istediğim için özellikle bulup okurum. Yalnız bu tür yazıları Pocket’a kaydetmiş olur muydum, merak ediyorum

  • Yüzlerce kayıtlı bağlantı düz bir liste hâlindeyse, “sonra oku” adlı dürüst bir döküm alanı demektir; bu yüzden yapay zekâya ya da doğal dil işlemeye hepsini sınıflandırıp artık ilgilenmediğin öğeleri kolayca silebilecek hâle getirtebilirsin

  • İlginç bir yazı. Garip biçimde Pocket’ı daha çok kullansaydım keşke diye düşündürdü
    Yan not olarak, LLM yanıtlarında görülen standart üsluptan gerçekten sıkılmaya başlıyorum. Geveze çıktının tipik biçimini tanıyacaksınız:
    Bayat bir laf! Sıradan bir insanın söyleyebileceği birkaç kelimenin ardından, nihayet 2 artı 2’nin 4 olduğu temel yanıt gelir. İnsan gibi duyulan daha fazla inandırıcı kelime!
    Elbette bunun içeride gerçekten çalışma biçimi olduğunu anlıyorum. LLM, eğitim doğası gereği sonuca kadar uzun uzun yoklayarak gitmek zorunda. Ama gereksiz kısımları sonradan işleyip atma umudu yok mu? Başka bir dil külliyatı makinesi kullanmadan, çıkarım motorunun içinde yalnızca gerçek yanıtı damıtmak istiyorum
    Eski internet tarifi sorunuyla aynı. İstediğin şey şu:
    500g wheat flour
    280ml water
    10g salt
    10g yeast
    Ama gerçekte aldığın şey şu:
    It was at the age of five, sitting
    on my grandmother’s lap in the
    cool autumn sun on West Virginia
    that I first tasted the perfect loaf…

    • Bağlam olmadan tarife nasıl güveneceksin?
      İnsanlar istedikleri şeyin tek bir şey olduğunu söyler ama gerçek davranışları ve paraları başka yere gider
      Gereksiz dolgu olduğuna katılıyorum. Ama “sadece tarifi ver”in insanların gerçekten istediği şey olduğunu sanmıyorum. Ve bu bakış açısının sıra dışı bir istisna olduğunu da düşünmüyorum. Gerçekten hiç böyle bağlamı tamamen olmayan bir tarif alıp yapmak istediğin oldu mu?
    • Bu, ChatGPT gibi genel amaçlı LLM uygulamalarının sorunu. Geniş kitlelere hitap etmesi gerektiğinden, ortalama kullanıcının istediğinden farklı bir cevap istiyorsan iş zorlaşıyor
      OpenAI, ChatGPT çıktısını daha ayarlanabilir hâle getirmek üzerinde çalıştığını söylemişti
    • Sona “kısa cevap ver” eklersen oldukça iyi çalışıyor
      Uzman değilim ama “düşünen” modellerde bu kısaltma adımının en sonda gerçekleşmesini isterim. İçeride istediği kadar uzun uzun düşünsün, bana yalnızca cevabı versin yeter
    • Bu arada o3, çoğu diğer LLM’den daha hızlı şekilde konuya geliyor gibi. Hatta o kadar ki geniş bir konu sorduğunda çok fazla özetleyebiliyor; tam olarak ne demek istediğini anlamanın zorlaştığı zamanlar oluyor

  • LLM ile tüm sekmelerimi düzenleme olasılığını düşünüyordum. Telefonda “:D” sayı göstergesini çok uzun süre bırakmış korkunç sekme koleksiyoncularından biriyim
    Genelde belirli aralıklarla hepsini temizlerim ama uzun zamandır buna motivasyonum yoktu. Pocket’tan alındığı gibi sekmeleri CSV benzeri bir şeye kolayca dökmenin bir yolu olsa yeter

    • Geçenlerde dağınık yer imleriyle bunu denedim. Paralel API çağrılarını ilk kez kullandığım zamandı
      gpt-4-nano’nun 10 thread’i, yer imlerini 10’arlı gruplar hâlinde sınıflandırdı ve birkaç dakika içinde 10.000 yer imini işledi